基于教育大数据的课程授课教师推荐系统设计

摘要：为了能有效地采集教务管理信息平台和各类教学信息平台中的相关数据形成教育大数据，实现课程授课教师推荐系统，首先将系统划分成数据采集、数据建模和授课推荐三个子系统，并对各子系统的主要构成元素和使用的主要方法进行了规范，然后采用UML建模技术，对系统的用例建模、静态建模和动态建模进行了分析与设计，从而为后期开发实现课程授课教师推荐系统提供了技术指导。

关键词：教育大数据;数据量化;UML建模;授课推荐;系统设计

中图分类号：TP311.5      文献标识码：A

文章编号：1009-3044（2020）26-0008-02

Abstract： To effectively collect the relevant data from educational administration management information platform and various teaching information platforms to form education big data， and realize the course teacher recommendation system， the system is firstly divided into three subsystems： data acquisition， data modeling and teaching recommendation， and the main components and main methods of each subsystem are standardized， and then UML modeling technology is adopted to analyze and design the use case modeling， static modeling and dynamic modeling of the system， so as to provide technical guidance for the later development and implementation of the course teacher recommendation system.

Key words： education big data; data quantification; UML modeling; teaching recommendation; system design

1 背景

目前，高校均已采用信息化平台进行常规教学管理，平台中有教师基本信息、课程信息、学生信息、学生成绩等基本数据，和教师授课的学生评价、督导评价、同行评价等评价数据，以及数量巨大的教学过程化数据，这些海量的数据显然已构成了教育大数据[1]，根据需要，从中可以挖掘出隐含着的不同知识。然而长期以来，授课安排缺乏一种较好的系统性的推荐，一般都是根据历史授课情况进行安排，忽略了教师专业基础、教学评价与效果等因素，使课程的教學达不到最优化，特别是一些新设置课程，无法确切地知道安排给哪位老师讲授能获得最优效果，这显然是不利于教学质量的提高。为此，本文在教育大数据的基础上，设计了一个课程授课教师推荐系统，该系统能对海量的教育大数据实现自动采集、数据量化处理并实现自动授课推荐。

2 授课推荐系统设计

2.1 系统总体设计

系统由数据采集子系统、数据建模子系统和授课推荐子系统构成，如图1所示。

其中，数据采集子系统主要是采用离线式ETL方式，从多个信息系统数据源中采集相关的数据构建数据仓库以便进行数据处理[2]，这些数据包括静态数据（如教师学历、学位、职称、毕业学校、课程名称等这些长时间内保持不变的数据）、动态数据（如授课学生评价数据、督导评价数据、课程成绩、学习表现等在信息系统使用过程中动态生成的数据）和中间数据（如课程综合成绩、平均成绩、排名等经过计算、汇总形成的各种数据）。数据采集是信息处理的基础，采集的数量和质量直接影响和决定着信息加工的数量和质量。

数据量化子系统是对采集得来的源数据，采用一系列的预设好的归一化量化模型使其转换成对应的值，标称数据则使用相关定义使其期转换到[0，1]区间中的某一个值，如规定学位标称数据为博士则令其值为1，硕士为0.5，学士为0.2，其他为0。数值数据则根据相关归一化模型也使其值转换到[0，1]区间，如学生评价数据集X中的某一评价值x，可以使用以下模型进行归一化处理：

这样，就可以将所有采集得到的数据全部归一化，并存储起来。在此基础上，以归一化数据为基础，通过定义模型进行变换和计算，得出教师专业基础值（Pbd）、课程难度系数值（Cdc）与授课评分值（Eva），以便后进行推荐使用。

在授课推荐子系统中，构建一个三维有偏权值张量模型[3]，数据按“教师（T）-课程（C）-评分（E）-权值（W）”四元关系构成维度分别为T、C、E的三维张量[X∈RIt×Ic×Ie]，其元素对应下标是[ti，cj，ek]，对应的元素值为按式2计算得到的综合有偏权值[wti，cj，ek]：

式2表示如果存在某专业基础度为[Pbdi]的教师（[ti]）讲授了难度系数为[Cdcj]的课程（[cj]）且获得了评分（[ek]）为[Evak]，则张量对应下标[ti，cj，ek]的元素值取加权计算得到的[wti，cj，ek]值，否则对应元素取值为0。其中[ρ1]，[ρ2]和[ρ3]的值是可以灵活地根据授课推荐偏重面不同，而设置的一种可调节的系数。最后，使用基于Tucker张量分解方法[4]，产生按课程分类的Top-N授课推荐教师列表。

2.2 系统用例建模

用例图（User Case）[5]是外部用户（被称为参与者）所能观察到的系统功能的模型图，它定义了系统的功能需求。授课推荐系统的参与者（Actor）包括普通用户（User）、教务管理员（Academic_admin）和系统管理员（System_admin）。普通用户一般为教师，具有登录、查看个人基本信息、修改个人基本信息、查看授课推荐结果等功能。教务管理员具有登录、查看个人基本信息、修改个人基本信息、审核用户信息、课程信息维护、查看课程授课教师推荐结果等。系统管理员具有登录、获取数据、更新数据、模型管理、推荐算法管理、推荐精度查看等。其用例图设计如图2-图4所示。

2.3 系统静态建模

UML静态机制[6]中的类图具有强大的表达能力，能够有效地建立专业领域对象模型，是设计人员关心的核心，也是实现人员关心的核心，一般建模工具都可以根据类图产生框架代码。在对授课推荐系统的类图建模中，主要从三个方面进行类图建模。一是实体类建模，根据需求分析与用例模型，可以找出系统中的所有实体类，并对其之间的关系进行确认;二是边界类建模，根据参与者与用例之间的交互情况，可以确定需要的边界类，以及它们之间的关系;三是业务逻辑处理类建模，根据用例实现所需处理的业务逻辑需要，分析并设计出其业务逻辑处理类及其之间的关系。

2.4 系统动态建模

系统动态建模[6]是定义并描述结构元素的动态特性及行为，UML中动态模型包括状态图、顺序图、活动图和协作图。其中活动图是一种表述业务过程以及工作流程的技术，它可以用来对业务建模、工作流建模、用例实现建模以及程序实现建模。授课推荐系统的获取数据用例实现建模如图5所示。

3 結束语

教务管理平台与各类教学平台在教学中的广泛使用，产生了大量的数据形成了教育大数据，为从教育大数据中挖掘出有价值的知识，解决长期以来课程教学安排无科学方法的问题，设计了该课程授课教师推荐系统，采用UML从不同角度对系统进行可视化建模，从而为课程授课推荐系统的实现给出了规范性的指导。

参考文献：

[1] 孙洪涛， 郑勤华. 教育大数据的核心技术、应用现状与发展趋势[J]. 远程教育杂志， 2016， 34（5）： 41-49.

[2] 王涛. 基于数据仓库ETL技术的数据提取与数据转换研究[D]. 长春： 吉林大学， 2011.

[3] 代翔. 张量分解及其在推荐系统中的应用[J]. 信息与电脑， 2016（22）： 34-37.

[4] 姚敦红， 李石君， 胡亚慧. 三维有偏权值张量分解在授课推荐上的应用研究[J]. 电子科技大学学报， 2017， 46（5）： 747-754.

[5] 袁国铭， 刘瑞， 樊波， 等. UML用例图在软件工程中的步骤设计研究[J]. 微型电脑应用， 2014， 30（1）： 46-48.

[6] 于红志. 基于UML的建模分析与应用[J]. 电脑编程技巧与维护， 2016（19）： 37-38， 42.

【通联编辑：谢媛媛】